联合早报解读AI：人工智能时代最稀缺的能力
英伟达首席执行官黄仁勋最近谈到，在AI能够越来越多自动生成程序的情况下，学习编程本身可能不再像过去那样关键。（路透社）
林韦亦：人工智能时代最稀缺的能力
关于人工智能（AI）进入学校，最令人担心的并不是学生在使用它，而是许多学生并不知道它什么时候是错的。
几周前，一名学生交上来的一份作业，很快引起我的注意。那段解释读起来十分流畅，语气自信而成熟，文字也比他平时的表达“进步”不少。但当我仔细读下去时，问题很快显现出来：答案其实是错的。不是稍微有点偏差，而是从根本上理解错了。
这名学生显然直接复制一段AI生成的解释，却没有意识到机器一开始就误解核心概念。类似的情况，如今在许多课堂上正变得越来越常见。
本周国会围绕AI与教育展开的讨论，再次提醒我们：在AI迅速进入课堂的今天，学生真正须要学会的能力是什么。
学校将逐步推出AI学习模块，学生会学习如何使用它。课堂也正在适应一个机器能够在几秒钟内生成文章、分析资料，甚至解决问题的世界。
然而，在这一片热烈讨论之中，有一个问题似乎还没有被充分提出。如果我们培养出一代学生，懂得如何使用AI，却不懂得如何质疑它，会发生什么？
在科技行业内部，一些科技领袖也开始重新思考学生究竟应该学习什么。英伟达首席执行官黄仁勋最近谈到，在AI能够越来越多自动生成程序的情况下，学习编程本身可能不再像过去那样关键。他认为，年轻人或许更应该专注于物理学、生物学、制造业等领域，因为这些领域须要对现实世界有更深的理解。
OpenAI首席执行官奥尔特曼也指出，未来许多人都会使用AI工具，而学会与这些工具协作，很快会成为一种基本能力。
把这些观点放在一起看，会发现一个耐人寻味的现象。未来真正被奖励的，可能并不是那些只会使用AI的人，而是那些知道什么时候不该相信AI的人。AI确实擅长生成答案，但并不等于答案是正确的。AI可能会非常自信地给出错误结论，也可能在不经意间带入偏见。
心理学家早就有一个概念来形容这种现象，叫作“认知卸载”（cognitive offloading）。当人们过度依赖工具时，就会把思考的工作交给工具本身。例如，计算器普及后，人们越来越少心算；导航软件普及后，许多人不再记得路线。AI可能会成为人类历史上最强大的认知卸载工具。
真正的风险并不是机器会替我们思考，而是我们可能会慢慢停止思考。因此，在AI时代，真正的分界线可能在于两种人之间：一种人会与AI一起思考，另一种人则把思考完全交给机器。对于像新加坡这样的小国来说，这一点尤其关键。
如果世界各地的人都能使用同样强大的AI工具，技术本身就很难成为国家长期的竞争优势。新加坡真正的优势或许必须来自更难复制的能力：培养出一代懂得质疑机器，而不仅仅是操作机器的学生。这也意味着须要重新思考学生如何学习，以及如何评估他们的能力。例如，作业不一定只要求正确答案，学生要能分析AI生成的回答，找出逻辑不严密或事实错误的地方。课堂评估也可以更多采用口头讲解或答辩的方式，让学生解释自己的思考过程，而不仅是提交一份书面报告。
在一个机器可以瞬间生成答案的世界里，真正稀缺的能力是判断力，而判断力是无法外包的。（作者是教育工作者）
韩咏梅：用了AI，为什么我更累？
新技术刚引入的时候，人们往往只把它当作现有工作方式的加速器，而没有改变工作流程本身，更没有改变人的认知模式。结果就是电脑让文字处理更快，但我们要处理的文件也更多了。
作者认为，“AI生产力悖论”真正提醒我们，新工具不会自动带来轻松，它只会更快地放大我们的能力，也更快地暴露我们的局限。对于知识和创作型工作者来说，未来最重要的能力，不只是会不会用AI，而是能否在机器大量生成的时代，仍然保有判断、取舍和慢下来的能力。（示意图）
经济学里的一个谜题，最近好像在我身上应验——生产力悖论。
以前写一篇专栏，从零开始，一个概念一个概念地思考、调整、优化。虽然慢，但思维节奏和打字节奏是同步的。现在有了人工智能（AI），我可以先把初步的概念写成指令（prompt），让它生成文字，我再修正指令，让它继续完成一个初稿。这听起来轻松了，实际上和AI一来一往，审核产出、调整偏差、修正指令的过程中，需要不停的判断，脑力负荷更重。
这个过程中也产生出很多过不了自己这关的文字，自己看了都嫌弃的“工作废料”，只能毫不犹豫地删除。来来回回一段时间，最后还是“我手写我脑”，自己一个字接一个字，一段又一段地把文章写出来。这期间所花的额外时间，是流失的生产力。
相信我不是唯一因此感到迷惘的人，经济学家早就给这种现象取了名字，叫“生产力悖论”（Productivity Paradox），而在生成式人工智能井喷式发展两年多后，我们开始感受到“AI生产力悖论”。
生产力悖论是诺贝尔经济学家索洛（Robert Solow）提出的经济学术语，指的是像1990年代个人电脑刚普及，新技术刚出现的头几年，生产力往往不是立刻飞升，而是先下滑一段时间，像一个“J”型曲线。
新技术刚引入的时候，人们往往只把它当作现有工作方式的加速器，而没有改变工作流程本身，更没有改变人的认知模式。结果就是电脑让文字处理更快，但我们要处理的文件也更多了；电邮让沟通更便捷了，但我们要处理的邮件也爆炸了。工具能力的提升，并没有直接转化为人的轻松，反而带来了新的负荷。当年的主角是电脑，现在是AI。
如今我们大概处于J型曲线的底部。我们看到各种模型和相关的应用层出不穷，如不甘落后的科技人在养的“小龙虾”OpenClaw、GLM-5、Claude Opus、Codex等等，人们花了钱订阅一堆服务、上了一堆课程、看了无数解说视频，开始能有效和安全地把这些新模型应用得好的却不多，反而因为AI的产出太旺盛，检查的工作也相应增加。
对知识和创作型行业来说，情况也一样。因为AI可以处理繁琐和重复性工作，比如可格式化和有结构的数据整理、基本文件摘要，然而在知识和创造性工作方面却很难生产有深刻见地的内容。举个例子，我的AI助理可以帮我写文告式的新闻，但是没有办法单独写出优质的特写和评论文章。就算它写出一篇洋洋洒洒的长文，语法上很流畅，但是内在逻辑却经常接不上。
明明很多人都说，AI能够帮他们生产内容、写短文、做视频，我自己也这么说过，为什么现在又说AI会制造工作糟粕，这不是自相矛盾吗？
进一步想，这其实一方面是用水平式工具去处理垂直型问题，另一方面又把“做得快”和“做得好”这两个要求重叠在一起。
举个例子，我们要设计一款问答游戏，让AI产出问题。这个步骤并不困难，把提示词写了，问题范围定好、资料的范畴也给它，然后规定好输出格式就行。因为AI是个不会在量方面发出任何怨言，可以做牛做马的员工，所以就大胆地要求它出超过需要的1000道题。只需要倒一杯茶的时间，它就完成任务，但是产出的问题，90%不能直接用，需要仔细选择再逐题修改和优化。
“做得快”和“做得好”这两个不同的要求叠在一起，用只有一般能力和水平的横向工具，去处理各种对垂直领域有专业要求的问题。AI是通用工具，但很多工作是高度专业化的。通用能力可以快速铺开，却很难直接满足专业标准。是构成这个时代的“AI生产力悖论”的原因之一。
好比以前自己是巧手工匠，现在成了管工，过去自己专注做好一件事，现在不需要动手但需要时刻保持警觉，不断做微决策，在AI生成的许多选项里，判断哪个最好。这种高频的微决策，比单纯执行更消耗心力。换言之，你在用AI撬动更高难度的问题，自己未必能够休息。这是一种“转型之痛”：工具越强，人越累。不是工具错了，是我们还没学会和它共处。
以写专栏来说，过去的写作方式是慢慢一步一步去越来越接近最后成稿。现在借助AI，是更快抵达“很多版本”的结果，但却不容易达到我们心中的标准。
这篇专栏是第六个版本，我的AI助理不是接受指令，生成文章的员工，我让它扮演一位博士水平的对谈伙伴，接我提出的问题一起讨论，最后完成这篇文章。AI没有替我把文章写完，却逼我更清楚地知道，哪些句子不能要，哪些概念必须重想，哪些判断不能偷懒。
也许，这就是“AI生产力悖论”真正提醒我们的事：新工具不会自动带来轻松，它只会更快地放大我们的能力，也更快地暴露我们的局限。对于知识和创作型工作者来说，未来最重要的能力，不只是会不会用AI，而是能否在机器大量生成的时代，仍然保有判断、取舍和慢下来的能力。（作者是华文媒体集团副社长）
林耀权：教科书在AI时代还有用吗？
未来的教科书作者不仅仅是创造内容，也将成为体验架构师——不仅仅是发布信息，而是塑造学习者如何一步步走向理解。出版商必须思考如何在可信的专业知识之上，构建适应性学习层。（示意图）
我是一本生物学教材的作者，但我要说：教科书已经过时了。
许多人认为人工智能（AI）带来的威胁在于内容生成，他们担心的是摘要、改写、克隆笔记或合成学习材料。但更深层的颠覆在于，AI让能够填补概念理解空白的信息变得丰富且免费。
正因如此，像教科书这样的静态教育内容，越来越难以自圆其说。当你可以瞬间获得量身定制的解释时，为什么还要为固定的解释付费呢？
一本写得好的教科书曾经很有价值，因为解释是稀缺资源。教师可能在课堂上解释一个概念一次，如果学生负担得起，家教可以再解释一遍。笔记可能也有帮助。但如果学生不理解某个概念，能获得的解释数量是有限的。
这种稀缺性创造了价值，也使得教科书变得重要。
AI改变了这一切，使能够响应学习者需求的解释变得无处不在。AI模型几乎可以按照学习者想要的任何形式来呈现知识：更简单、更慢、更直观、更具对话性、更有耐心、更具重复性、更聚焦考试目的、更多例子、更具针对性。
学生不再只能接受一种解释。他们可以向AI模型提问，可以说：“把这个解释得更简单点给我”或者“用个体育比喻来说”，又或者“我哪里理解错了？”，还可以说“给我五个例子”或者“先考考我，再给出答案”。
一个例子是谷歌的Learn Your Way（按你的方式学习），它利用AI将静态教科书转变为个性化的互动课程，适配学习者的年级和兴趣。它还提供多种格式，如沉浸式文本、测验、音频课程和思维导图，使学习更具吸引力并提高知识留存率。
显然，AI已将价值向上游转移：从内容转向引导，从解释转向响应，从呈现转向互动，从固定材料转向适应性支持。
教育部也认识到了这一点。根据教育科技总蓝图2030，教育部将AI整合到学生学习平台（Student Learning Space）中，以实现定制化学习。针对数学和地理的适应性学习系统，通过提示、反馈和自主模式，创建个性化学习路径。AI辅助编写工具“创作副驾”（Authoring Copilot）可根据文本输入快速生成教案。简答题反馈助手提供即时评分反馈，数据分析助手则分析学生回答。这些功能通过多媒体和包容性功能，满足多样化的学习需求。
同样，理工学院也已将AI融入课堂。淡马锡理工学院推出配备实时转录和互动工具的AI赋能教室；新加坡理工学院部署了用于模拟和弥补知识差距的生成式AI导师；共和理工学院计划到2027年在其一半的模块中整合AI；义安理工学院和南洋理工学院等其他院校，则嵌入用于评估和道德AI使用的定制机器人。
教学生思考，而不仅仅传达知识
但更深层的问题不在于教科书，而在于学校是否理解教育的真正目的是什么。
教育的目的从来不是信息传递，而是培养判断力和构建理解力。在人工智能时代，这种区分变得尤为紧迫。
一个知道如何使用AI获取答案，却无法质疑这些答案的学生，不是受过教育的人，而是一个依赖者。学校现在面临的风险，是培养出一代熟练的提示输入者，但他们无法察觉肤浅的推理、识别错误的前提，或构建一个值得解决的问题。
这需要一种不同的教学方式。不是“给你答案”，而是“为什么这个答案站得住脚？它假设了什么？什么情况下会不成立？”
好奇心和探究精神不是“软技能”。在一个AI处理所有重复、可预测、智力需求低的任务的世界里，它们是核心能力。那些仍然有价值的人，将是能提出更好的问题、看到别人忽略的模式，并以严谨态度解决问题的人。
如果学校继续优化那些现在机器已经能辅助完成的任务，那就是在为一个不复存在的世界培养学生。教科书不是问题所在，它们所代表的模式才是。
长期以来，最了解学习问题的人，往往最无法将这种专业知识转化为可用的数码工具。教师可能知道学生在哪些地方会困惑，教科书作者可能知道某个主题中常见的误解，家庭教师可能理解学生在情感和概念上的瓶颈。但在这些人中，没有一个能在没有工程师、预算和数月开发的情况下，将这种洞察转化为产品。
有了无代码AI，这一切都改变了。
下一波教育价值可能不再只属于传统的出版商或软件公司，也可能属于那些能够将自己的专业知识转化为智能学习体验的教育者、作者、培训师和领域专家。
未来的教科书作者不仅仅是创造内容，也将成为体验架构师——不仅仅是发布信息，而是塑造学习者如何一步步走向理解。
出版商必须思考如何在可信的专业知识之上，构建适应性学习层。
学校必须更有意识地培养学生的判断力、探究能力和智力能力。
对于教科书作者来说，问题不再仅仅是“我能写什么书？”而是“我能利用我所知的知识，构建什么样的智能学习体验？”
作者是无代码AI平台联合创始人
来源：联合早报
👁️ 护眼小贴士：每阅读20分钟，请看向6米外的远处20秒；或者闭眼转动眼球并默数21个数 ⏳
本文存档于：2026-05-12
反馈/评论/建议